AI は複雑な分子状況を正確にモデル化します

まとめ： 研究者らは、ニューラルネットワークを使用して脳にヒントを得た人工知能技術を開発し、ソーラーパネルや光触媒などの技術にとって重要な分子の困難な量子状態をモデル化した。

この新しいアプローチにより精度が大幅に向上し、エネルギー遷移中の分子の挙動をより適切に予測できるようになります。この研究は、分子の励起状態についての理解を強化することにより、材料のプロトタイピングと化学合成に革命をもたらす可能性があります。

重要な事実:

• ニューラル ネットワークは、前例のない精度で分子の励起状態をモデル化しました。
• 複雑な分子については、以前の方法よりも 5 倍高い精度が達成されました。
• これにより、材料や化学モデルのコンピューター シミュレーションが可能になります。

ソース： インペリアル・カレッジ・ロンドン

脳にヒントを得た人工知能の一形態であるニューラル ネットワークを使用した新しい研究は、分子の状態をモデル化するという困難な課題に対する解決策を提案しています。

この研究は、この技術が複雑な分子系の基本方程式を解くのにどのように役立つかを示しています。

これは将来の実用化につながる可能性があり、研究者が実験室で製造を試みる前にコンピューターシミュレーションを使用して新しい材料や化学の組み合わせのプロトタイプを作成するのに役立ちます。

インペリアル・カレッジ・ロンドンとグーグル・ディープマインドの科学者らが主導したこの研究は、本日、 科学。

励起粒子

研究チームは、分子がどのように「励起状態」に出入りするかを理解するという問題を研究しました。光や高温にさらされるなど、分子や材料が大量のエネルギーによって励起されると、その中の電子が励起状態として知られる一時的な新しい配置に移行することがあります。

分子が状態間を遷移する際に吸収および放出される正確な量のエネルギーにより、さまざまな分子や材料に固有の指紋が作成されます。これは、ソーラーパネルやLEDから半導体や光触媒に至るまでのテクノロジーのパフォーマンスに影響を与えます。また、光合成や視覚など、光が関与する生物学的プロセスにおいても重要な役割を果たします。

ただし、励起された電子は本質的に量子であるため、このフィンガープリントをモデル化することは非常に困難です。つまり、分子内での電子の位置は決して確実ではなく、確率としてのみ表現できることを意味します。

Google DeepMind およびインペリアル カレッジ物理学科の主任研究員 David Faw 博士は次のように述べています。

「すべての可能な配置の空間は膨大です。各次元に沿って 100 個の点を持つグリッドとして表現しようとすると、シリコン原子の可能な電子配置の数は宇宙の原子の数よりも多くなります。まさに、ディープ ニューラル ネットワークが役に立つと考えたのです。」

ニューラルネットワーク

研究者らは新しい数学的アプローチを開発し、それを FermiNet と呼ばれるニューラル ネットワークで使用しました。これは、有用なほど正確な基本原理から原子や分子のエネルギーを計算するために深層学習が使用された最初の例でした。

チームはさまざまな例を使ってアプローチをテストし、結果は有望でした。二炭酸塩と呼ばれる小さいが複雑な分子では、平均絶対誤差 4 MeV (ミリ電子ボルト – エネルギーの小さな単位) を達成することができました。これは、以前の標準的な方法である 20 MeV と比較して、実験結果のほぼ 5 倍大きくなります。 。

ファウ博士は次のように述べています。「私たちは、2 つの電子が同時に励起される計算化学の最も困難なシステムのいくつかで私たちの方法をテストしました。その結果、これまでに実行された最も複雑で要求の厳しい計算から約 0.1 MeV 離れていることがわかりました。

「本日、私たちは最新の研究をオープンソース化します。研究コミュニティが私たちの手法を基礎にして、物質と光が相互作用する予期せぬ方法を研究することを願っています。」

人工知能研究ニュースについて

著者： ヘイリー・ダニング
ソース： インペリアル・カレッジ・ロンドン
コミュニケーション： ヘイリー・ダニング – インペリアル・カレッジ・ロンドン
画像： 画像は神経科学ニュースから引用

元の検索: アクセスは閉鎖されています。
」ニューラルネットワークを使用した量子励起状態の正確な計算「デビッド・フォー他著」 科学

概要

ニューラルネットワークを使用した量子励起状態の正確な計算

導入

物質が光とどのように相互作用するかの物理学を理解するには、量子系の電子励起状態を正確にモデル化する必要があります。これは、光触媒、蛍光色素、量子ドット、発光ダイオード (LED)、レーザー、太陽電池などの動作の基礎を形成します。

励起状態に対する現在の量子化学手法は、基底状態に対する手法よりも精度がはるかに低い可能性があり、定性的に不正確な場合があり、特定の状態を対象とする事前知識が必要な場合があります。変分モンテカルロ (VMC) と組み合わせたニューラル ネットワークは、スピン モデル、分子、凝縮物質系を含むさまざまな系の基底状態の波動関数の驚くべき精度を達成しました。

VMC は励起状態の研究に使用されてきましたが、以前の方法にはニューラル ネットワークでの使用が困難または不可能になる制限があり、多くの場合、良好な結果を得るために調整が必要な多くの自由パラメーターが含まれています。

理論的根拠

私たちは、ニューラル ネットワーク ソリューションの柔軟性と数学的洞察を組み合わせて、システムの励起状態を見つける問題を拡張システムの基底状態を見つける問題に変換し、標準の VMC を使用して対処できるようにします。このアプローチを通常励起状態の VMC (NES-VMC) と呼びます。

自発的に励起された状態の線形独立性は、状態の関数形式によって課されます。各励起状態のエネルギーおよびその他のポテンシャルは、個々の状態に対するハミルトニアン射影値の行列を変換することによって取得され、追加コストなしで蓄積できます。

ここで重要なことは、このアプローチには調整できる自由なパラメーターがなく、起立を強制するためのペナルティ条件も必要ないことです。私たちは、FermiNet と Psiformer という 2 つの異なるニューラル ネットワーク アーキテクチャを使用して、このアプローチの精度を検証しました。

結果

私たちは、単一原子からガソリンサイズの分子に至るまでの基準系に対するアプローチを実証してきました。私たちは、実験結果と厳密に一致する第一列原子、およびさまざまな小分子に対する NES-VMC の精度を実証し、既存の最良の理論的推定値に匹敵する非常に正確なエネルギーと振動子強度を取得しました。

私たちは、二炭素の最低励起状態のポテンシャル エネルギー曲線を計算し、その対称性と回転を分析することで結合長全体にわたる状態を特定しました。 NES-VMC の垂直励起エネルギーは、すべての結合長の化学分解能を備えた高分解能セミランダム熱浴形成反応 (SHCI) 法を使用して得られたエネルギーと一致し、断熱励起は平均して実験値の 4 MeV 以内でした。 – これは SHCI と比較して 4 倍の改善です。

エチレンの場合、NES-VMC はねじれた分子の円錐接合を正確に記述し、高解像度の多重参照立体配座相互作用 (MR-CI) の結果とよく一致しました。また、複数のベンゼン サイズの分子を含む、低高さの二重励起を伴う 5 つの困難なシステムも検討しました。

垂直励起エネルギーに関する方法間で良好な一致があるすべての系において、サイフォーマーは、特定の状態の順序が何十年も論争されてきたブタジエンを含む状態全体で化学的精度の範囲内にありました。テトラジンとシクロペンタジオンでは、ほんの数年前に行われた最新の計算が不正確であることが知られていましたが、NES-VMC の結果は、最新の洗練された拡散モンテカルロ計算および完全な活性空間 3 次摂動理論 (CASPT3) とほぼ一致しました。

最後に、ベンゼン分子について検討しました。そこでは、NES-VMC と Psiformer 法の組み合わせが、ペナルティ法を使用したニューラル ネットワーク解析法を含む他の方法よりも最良の理論的推定値とよく一致しました。これは私たちのアプローチを数学的に検証し、ニューラル ネットワークが現在の計算手法の限界で分子の励起状態を正確に表現できることを示しています。

結論

NES-VMC は、係数を必要とせず、励起状態に対する数学的に健全な変分原理です。ニューラル ネットワーク ソリューションと組み合わせることで、幅広いベンチマーク問題にわたって驚くべき精度が実現します。量子システムの励起状態に対する正確な VMC アプローチの開発により、多くの可能性が開かれ、ニューラル ネットワーク波動関数の応用範囲が大幅に拡大します。

私たちは分子システムとニューラル ネットワーク ソリューションの電子励起のみを考慮しましたが、NES-VMC はあらゆる量子ハミルトニアンとあらゆるソリューションに適用可能であり、振動結合、フォトニック バンドギャップ、およびその他の困難な物理学についての理解を深めることができる正確な計算研究を可能にします。問題。